Le profilage personnalisé, le scoring et la détermination du taux de pénétration sont des techniques qui facilitent le ciblage des clients pour les annonceurs. Jérôme Gutknecht, le nouveau Data Director de bpost, apporte quelques éclaircissements.
Comment le profilage personnalisé fonctionne-t-il exactement ?
À l'aide de la technique look-a-like modeling, les annonceurs peuvent identifier des profils similaires à leur audience cible. La première étape consiste à déterminer les caractéristiques clefs qui définissent cette cible et trouver des individus prospects similaires sur cette base. La richesse des critères de SelectPost nous permet ce genre d’exercice.
SelectPost est une base de données de consommateurs dans laquelle nous rassemblons des intérêts et des intentions d'achat confiés volontairement par l'intermédiaire d'un questionnaire. Cette base de données contient actuellement 1,1 million d'adresses et permet donc d'atteindre 2,5 millions de personnes. Nous utilisons aussi un opt-in par lequel les répondants consentent à recevoir des communications commerciales. Actuellement, nous sommes en pleine phase de perfectionnement des possibilités de la base de données SelectPost, afin de permettre un suivi plus long et plus qualitatif des actions marketing de nos clients
La logique supportée par le look-alike modeling est très simple et peut être comparé au modèles de recommandation présents dans la plupart des médias. Il y a une probabilité forte que deux profils similaires aient des intérêts partagés.
À l'aide de la base de données SelectPost, nous sommes en mesure de soutenir nos clients-annonceurs dans leurs efforts de recrutement de nouveaux clients ou dans leurs campagnes de promotion. Ceci appuyé par une grande connaissance sectorielle en terme d’audiences.
Sur la base de quels critères des prospects comparables sont-ils identifiés ?
Sur la base de paramètres sociodémographiques et de domaines d'intérêt. Nous tenons compte de l'âge, du sexe, de la composition de ménage, mais aussi de leurs loisirs, intentions, etc. Les similitudes sont évaluées à l'aide d'un modèle de scoring. Le score de ce modèle (entre 0 et 1) indique dans quelle mesure le profil est comparable à celui de la population source. Aucun paramètre n'a une pondération supérieure à l'autre, a priori.
Si nous pouvons extrapoler des paramètres sociodémographiques ou géographiques à partir d'une population donnée (par exemple, d'un groupe qui achète une certaine gamme de voitures), nous partons du principe que des consommateurs avec des critères similaires ont des intentions similaires. Aucun paramètre ne détermine a priori une population. Le modèle nous aide par contre à évaluer le degré de similarité entre le client existant et le prospect
Les résultats de ce processus de profilage sont-ils meilleurs que ceux d'un ciblage classique ?
Dans une segmentation traditionnelle, le nombre de paramètres est très limité. Il en résulte qu'on note de fortes variations au sein du segment.
La principale différence entre la segmentation classique et les modèles look-alike réside dans le nombre de paramètres utilisés. Constater qu'une population entre 18 et 25 ans a davantage tendance à changer de smartphone n'est pas faux et est plus précis qu'une approche de marketing de masse. Le segment reste très large et cette constatation ne garantit pas que tout le monde est prêt à changer de smartphone pour les mêmes raisons. Que se passe-t-il si nous ajoutons un critère, tel que l'intérêt pour les nouvelles technologies ? Nous affinons le segment.
Dans le cas de SelectPost, nous pourrions exploiter des centaines de variables. Le nombre supérieur de paramètres, le modèle de scoring et la taille de la base de données assurent une segmentation plus détaillée, plus fine. Ainsi, un annonceur peut approcher des prospects intéressants de manière encore plus ciblée.
Cibler des prospects avec grâce au In-Home Advertising ?
C’est possible >
La modélisation axée sur le comportement ou l'action (act-alike modeling) n'est-elle pas encore plus efficace que le look-alike modeling ?
Pas nécessairement. Tout dépend de l'objectif de l'action commerciale. Créer un besoin ou adapter son offre à un nouveau besoin entraînera la recherche de nouveaux groupes cibles et donc un objectif plus vaste. Il faut moins de paramètres explicatifs. D'ailleurs, le look-alike modeling fait aussi appel à des paramètres de comportement. Il intègre également des éléments géographiques (pénétration), psychographiques (intérêts) et sociodémographiques classiques.
Mais attention, plus nous intégrerons d'éléments dans le modèle, plus nous serons précis, mais plus nous courrons aussi le risque de segmenter. Plus nous utilisons de critères, plus grandes seront les chances d’identifier des sous-groupes de population (acheteurs sensibles aux aspects écologiques, acheteurs locaux sensibles aux aspects écologiques, acheteurs locaux sans motifs écologiques...). Autrement dit, davantage de groupes cibles plus restreints et des actions marketing plus complexes.
Le meilleur modèle ? Celui qui répond le mieux aux besoins commerciaux et présente un juste équilibre entre précision et objectif commercial. Un modèle doit être étayé par une connaissance variée de techniques de segmentation, mais aussi par une connaissance pointue du secteur concerné. Nous possédons cette connaissance et nous l'approfondissons chaque jour !
Chez bpost, quelle est la part de données first party par rapport aux données second et third party ?
Les données second et third party sont essentiellement des données open ou publiques. bpost utilise principalement des données first party, mais elle les complète le cas échéant par des données publiques, plus précisément des données sectorielles. L'idée est d'être aussi complet que possible dans la lecture des intentions des personnes présentes dans notre base de données.
À l'ère des big data, il est crucial d'être au centre des interactions avec le consommateur en vue de satisfaire au mieux ses attentes et d'assister les entreprises sur cette voie. bpost peut s'appuyer sur une lecture transversale des intentions, alors qu'une entreprise a souvent une vision des ses clients limitée à son périmètre. Avoir des informations complémentaires, donne souvent naissance à de nouvelles opportunités.
Les données utilisées à ces fins ont d'ailleurs été collectées dans le respect des normes GDPR actuelles, c'est-à-dire avec le consentement des personnes concernées. bpost met un point d'honneur à adapter ses services liés aux données à la législation GDPR.
Les données 1st, 2nd et 3rd party, c’est quoi ? Et comment les utilise-t-on pour créer de l’impact ?
Découvrez la réponse ici >
Comment déterminez-vous et analysez-vous le taux de pénétration de bpost ?
Différents paramètres, tels que notre analyse géographique et la répartition de la population belge sur la base de données sociodémographiques (données publiques et SelectPost) et des intérêts (SelectPost), nous permettent de déterminer le taux de pénétration de l'annonceur par rapport à la population globale. Nous proposons donc une représentation géographique de la population de leurs clients et donc le niveau d’opportunité par secteur géographique.
Prenons un exemple : le look-alike modeling nous apprend que l’offre de notre client-annonceur est particulièrement appréciée, en général, par les femmes entre 20 et 40 ans, avec des enfants et un revenu moyen. Nous analysons alors les données sociodémographiques d’une région donnée et sur la base des critères repris ci-dessus, nous déterminons si cette région est intéressante pour notre client. C'est ce que l'on appelle le taux de pénétration.
Imaginez que l'offre de l'annonceur s'adresse aux femmes qui viennent d'accoucher. Nous serons en mesure d'encore mieux déterminer un taux de pénétration en ajoutant les données de SelectPost à notre analyse.
En effet, il peut arriver qu'une localité présente un pourcentage de femmes venant d'accoucher bien supérieur à la moyenne. Il sera alors plus intéressant pour notre client-annonceur d'y distribuer des folders.
Voulez-vous attirer plus de prospects? Nous avons leurs données pour vous ! Découvrez-les ici
